SiC量子点荧光材料光谱特性影响因素的研究

通过腐蚀法制备SiC量子点荧光标记材料,以硝酸和氢氟酸为腐蚀剂,通过超声空化破碎分散及超重力场层析剪裁,得到SiC量子点水相溶液,研究了制备工艺参数对光学特性的影响,结果表明,降酸清洗次数、超声时长对量子点光致发光峰值(荧光强度)的影响最为显著,而腐蚀剂成分及配比、超重力系数在一定程度上影响了其光致发光强度及发射光波长,同时腐蚀剂成分中氢氟酸含量的增加使得光致发光峰值位置发生红移,而超声时长及超重力系数的增加使得SiC量子点光致发光峰值位置发生蓝移。并对SiC颗粒腐蚀过程相关机制也进行了探讨。     

碳化硅量子点表面物化特性调控及其光学特性

采用化学偶联法,通过调整腐蚀剂组分及其相对含量,一步法实现了碳化硅量子点(SiC-QDs)表面物化特性的有效调控。研究表明:经硝酸(HNO_3)和氢氟酸(HF)混合腐蚀剂腐蚀纳米β-SiC粉末,通过超声空化破碎分散及高速离心处理,可获得SiC-QDs水相溶液,并一步法实现了表面修饰,在其表面形成了—COO、—OH等亲有机物功能基团。采用浓硫酸(H_2SO_4)为偶联剂,制备出表面具有巯基(—SH)的SiC-QDs水相溶液。腐蚀剂组分的相对含量对于SiC-QDs的光致发光强度与表面巯基的形成影响较大。在波长为340 nm的激发光激发下,SiC-QDs具有最大的发光强度,随着腐蚀剂中H_2SO_4含量的增加,其光致发光强度呈现降低趋势。当腐蚀剂的体积比为V(HF):V(HNO_3):V(H_2SO_4)=6:1:1时,制备的水相SiC-QDs表面既能稳定耦合—SH,又可以获得较高的光致发光强度。另外,对表面物化特性调控及其形成机制进行了分析研究。     

基于多尺度图Transformer的滚动轴承故障诊断

针对传统图神经网络在故障诊断中使用单一尺度进行特征提取且难以在复杂工况下提取信号的弱特征问题,提出了一种基于多尺度图Transformer的滚动轴承故障诊断方法。该方法提出了一种新的图节点多尺度特征聚合模块,扩大特征提取的感受野以增强特征表示;构建了图节点的中心性编码和空间性编码,以获得图结构信息;利用多头自注意力对故障节点进行特征提取和学习,提高方法捕捉重要特征的能力。在凯斯西储大学轴承数据集和滚动轴承实验平台上分别进行实验验证,诊断准确率最高为99.86%,平均准确率也在98%以上。结果表明,提出的多尺度图Transformer网络模型在多种工况下均能准确的进行故障分类。     

碳化硅量子点荧光标记串珠镰刀菌及其活体示踪

采用SiC量子点荧光标记与示踪技术,对串珠镰刀菌活体细胞进行荧光标记并实现了长时程荧光成像示踪,结果表明,碳化硅量子点标记的串珠镰刀菌活体细胞具有可调谐的荧光颜色,这是与其光学特性所决定的,即在不同激发光波长下呈现不同的荧光颜色;SiC量子点通过网格蛋白依赖的内吞方式进入活体细胞内部,实现了对串珠镰刀菌的稳定标记;同时这种标记由于量子点表面官能团与活体细胞的化学键耦合而显示出较强的抗漂白能力.     

基于全局-局部欧拉弹性判别投影的旋转机械故障诊断方法

故障诊断方法通常对异常值敏感，并且难以同时提取全局和局部判别信息，从而导致低维判别特征子集类间分离性不佳，针对该问题提出了一种基于全局-局部欧拉弹性判别投影(global-local euler elastic discriminant projection, GLEEDP)的旋转机械故障诊断方法。该方法通过余弦度量将高维故障特征映射到欧拉表示空间，扩大异类故障样本间的差异，然后在该空间中构建了基于全局、局部及类间散布三个目标函数的最优化模型，实现了在保持整体结构的基础上，进一步提高低维判别特征子集的局部类内聚集性和全局类间分离性。在轴承和齿轮箱两个机械故障数据集上的试验结果表明，所提方法可以有效发掘故障判别信息，具有优越的故障诊断性能。